NPS y eNPS: Similitudes, relaciones y diferencias

 

1. Similitudes entre NPS y eNPS

Las dos métricas utilizan idéntico sistema de cálculo, clasificando a los clientes o empleados en Promotores, Pasivos y Detractores. Las preguntas son iguales, en un caso preguntando por la recomendación del producto o servicio a los clientes, y en otro caso por la recomendación de la empresa a los empleados.

La intención existente detrás de la metodología NPS es la de utilizar esta métrica de forma frecuente y regular, para facilitar el análisis de retorno de inversión de los cambios que se realizan para mejorar la experiencia de los clientes. De igual modo, se intenta que eNPS sea un sistema ágil, con muy pocas preguntas adicionales y de alta frecuencia. La intención en este caso es también la de sondear la implicación de los empleados y analizar los resultados departamentales en formato de focus group o charlas con empleados, que deberían llevar a la compañía a la mejora en formato “bottom-up”, al revés de la tradicional “top-down” de los estudios de clima, donde la dirección de la empresa analiza los resultados del estudio de clima laboral y crea un plan de acción a desplegar durante los meses siguientes.

 

2. Relaciones cruzadas entre NPS y eNPS

Se sabe desde hace tiempo la gran influencia que el clima laboral tiene sobre la satisfacción de los clientes. Algunos estudios, sitúan esta correlación en altos niveles (r=0,43).
Aunque aún no disponemos de datos que nos relacionen NPS y eNPS, es una suposición fundada creer que sus índices de correlación serán también altos. Por tanto, podríamos esperar que incrementos/decrementos de eNPS nos lleven a incrementos/decrementos de NPS y viceversa.

 

3. Diferencias entre NPS y eNPS

Mientras que el feedback recibido de NPS está normalmente asociado a un cliente concreto (con todos sus datos: facturación, segmentación, etc.), los datos de eNPS son anónimos, como suele ser habitual en todos los estudios de clima laboral o satisfacción del empleado. Sólo la información agregada (p.ej.: por departamento) puede ser analizada y por tanto accionada. Esto resulta en una menor trazabilidad de eNPS y una capacidad más difusa del cálculo del retorno de las acciones correctivas que hagamos.

El grado de popularidad y de implantación de NPS es alto, mientras que el de eNPS es aún muy bajo. En la mayoría de estudios de satisfacción o clima laboral se utilizan aún índices compuestos por preguntas diversas, que suelen ser más robustos que sistemas tipo NPS y cubren muchas más áreas.

Los resultados de eNPS suelen ser más bajos que los de NPS. En nuestra experiencia, eNPS suele ser habitualmente (y ampliamente) negativo, mientras que las valoraciones de NPS suelen cercanas a 0 y positivas en muchos casos. Aparentemente, las personas tienden a exigir más a su empleador que a sus proveedores, aunque hay que tener en cuenta que la importancia e involucración emocional que una persona asocia al trabajo diario es mucho más alta que la asociada al uso de productos y servicios, generalmente de uso esporádico si lo comparamos con la vida laboral.

 

Conclusión

NPS y eNPS comparte muchas similitudes y hay poderosas razones para creer que están muy interrelacionados. De la misma forma que NPS se está convirtiendo en una métrica muy popular, prevemos que el uso de eNPS -aún incipiente- sea cada vez más común, sobre todo cuando se desee realizar mediciones de motivación / satisfacción de empleados o clima laboral relativamente frecuentes. Sus resultados no son directamente comparables, puesto que habitualmente el resultado de eNPS es más bajo que NPS.

Si quieres conocer más sobre este tema contacta con www.ealicia.com

Otros Artículos de Interés

Experiencia clienteIA

Cómo reducir el AHT con Inteligencia Artificial: la guía definitiva para Contact Centers

Uno de los principales retos de cualquier Contact Center consiste en atender más rápido sin perjudicar la calidad del servicio. Reducir el AHT (Average Handle Time) se ...
Leer más
Optimizar decisiones con Customer Intelligence
EvaluaciónExperiencia cliente

Customer Intelligence: cómo transformar los datos de clientes en decisiones de negocio mediante IA

Las organizaciones generan cada día millones de datos procedentes de llamadas, correos electrónicos, chats, formularios, encuestas, aplicaciones móviles y otros puntos de contacto con clientes. ...
Leer más
Agent Assist con IA Generativa
Experiencia clienteIA

RunBot: Agent Assist con IA Generativa que mejora la calidad de los agentes de Contact Center

Los equipos de atención al cliente afrontan hoy uno de los mayores desafíos de su historia: ofrecer experiencias excelentes en un entorno donde los clientes ...
Leer más